编者按：2023年12月，“全球碳项目”（Global Carbon Project，GCP）发布了《2023年全球碳预算》（Global Carbon Budget 2023）报告。然而，该报告仅覆盖至2022年底的碳预算监测，时间滞后长达一年。作为制定与实施“双碳”策略的关键参考，这种长时间的延迟使得碳预算结果难以提供良好的参考依据。针对延迟问题，微软亚洲研究院联合清华大学和法国原子能署气候与环境科学实验室（Laboratoire des Sciences du Climat et de l’Environnement），基于人工智能技术开发了一种创新的方法。通过采用自上而下和自下而上的估算方式，该方法可以对地表与二氧化碳的交换进行评估，成功将全球碳预算时间从以往的滞后一年缩短至三个月。这一成果将为环境保护与可持续发展相关的科学研究和政策制定提供更加及时的数据支持，助力推动全球环境治理与生态文明建设。
工业革命以来，化石燃料的燃烧和土地利用方式的转变，尤其是对森林的砍伐，成为了大气二氧化碳升高的主要推手。尽管陆地植被和海洋作为自然界的主要碳汇，吸收了部分二氧化碳，但排放量的激增已远远超出了它们每年的吸收极限，导致大气中的二氧化碳浓度不断攀升，引发全球变暖和极端天气。在这一严峻背景下，碳预算估算成为了实现碳中和的关键。
碳预算是指对全球碳循环中碳源和碳汇的评估，它综合了化石燃料和水泥排放、土地利用和土地利用变化相关的排放和清除、海洋和自然陆地的二氧化碳来源与吸收等证据，从而衡量大气中二氧化碳浓度的变化。准确且及时的碳预算对理解和应对全球气候变化具有决定性意义。在全球气候和环境挑战日益加剧的今天，监测碳汇与碳排放变得至关重要。特别是在全球各国积极推进碳达峰和碳中和策略的当下，碳预算已成为相关科学研究和制定可持续发展政策的基础。
为了支持全球的可持续发展，微软亚洲研究院制定了“基于人工智能的近实时全球碳预算（ANGCB）”计划，旨在更有效地利用海洋、陆地等自然环境条件来捕捉二氧化碳，以实现全球实时碳预测的目标。
通过与清华大学和法国原子能署气候与环境科学实验室（Laboratoire des Sciences du Climat et de l’Environnement）紧密合作，微软亚洲研究院利用人工智能技术开发了一种创新的综合方法，成功将全球碳预算的时间延迟从一至两年缩短至三个月。这一成果不仅为相关领域的科学研究提供了更及时的数据支持，也为碳减排和碳汇政策的制定者提供了更迅速的数据反馈。
传统碳预算方法存在明显的滞后性
传统的碳预算包含了采用数值模拟的方法，这种方法虽然可以模拟复杂的地球系统过程，但由于涉及的计算量巨大且数据更新速度慢，通常存在一至两年的滞后。以“全球碳项目”（Global Carbon Project，GCP）发布的最新的《2023年全球碳预算》（Global Carbon Budget 2023）报告为例，该报告于2023年12月发表，但其结果仅能覆盖到2022年底，未能包含2023年的信息，碳预算时间滞后长达一年。
而2023年，全球遭遇了多起重大环境事件，对气候产生了显著影响。例如，北美地区森林火灾频发；自2020年以来一直较为活跃的拉尼娜现象在2023年6月转变为中等强度的厄尔尼诺现象；根据 GRACE 卫星的观测，2023年北半球大部分地区的陆地水储量出现下降，这可能导致植物面临水分胁迫，即因土壤缺水而抑制植物生长；亚马逊热带雨林地区从2023年6月到11月遭受了极端干旱，而热带非洲地区则比正常年份更为湿润。
这些关键的气候变化均未被《2023年全球碳预算》所覆盖，这种滞后性不仅影响了对气候变化趋势的准确性判断，也延缓了应对气候变化采取行动的时机。
近实时的人工智能全球碳预算方法
造成滞后的原因主要在于，传统的数值模拟方法是由滞后一年的气候数据驱动的，不能完全适应当前的碳预算需求。若使用近实时更新的气候再分析数据来驱动模型，那么数值模拟方法无法直接兼容新数据，所以结果的准确性会有较大差异。此外，“全球碳项目”采用了十余个陆地和海洋模型，每个模型都来自不同的实验室或机构。这意味着需要协调多个组织同时推进同一项目，进一步加剧了碳预算的延迟。
对于自下而上的海洋碳汇预算，研究员们结合海洋生物地球化学知识和数据驱动模型，设计了全新的机器学习仿真器。“此前，海洋碳预算主要有两种方法。一种是数值模拟，但存在滞后性；另一种是依靠海洋中航行的船只，通过将船只底部传感器收集的数据与卫星监测数据结合，构建机器学习模型，然而航测数据是由散点观测扩展至整个全球观测，这种以点代面的方法无法保证结果的准确性。” 微软亚洲研究院应用科学家桂晓凡介绍道。
基于这两种方法，微软亚洲研究院构建了新的机器学习仿真器，使其能够实现近实时的更新。截至目前，仅使用这一个海洋数据驱动的模型，就已经可以完成覆盖全球每个区域的近实时海洋碳预算。
而对于自上而下的陆地碳预算，微软亚洲研究院也在积极尝试利用人工智能技术探索全球陆地碳预算的有效路径。
及时的碳预算为可持续发展策略提供理论依据
微软亚洲研究院近实时碳预算模型的分析结果显示，2023年陆地碳汇能力降至2003年以来的最低点。通常在夏季达到碳汇峰值的北部陆地在2023年的表现低于预期，中欧、西俄罗斯、中美洲也出现了异常的碳排放源。而2023年的海洋碳汇能力则比2022年有所增加，特别是在太平洋和部分南大西洋区域。这一变化主要归因于拉尼娜现象的消退和厄尔尼诺现象的发展，减少了热带太平洋的二氧化碳排放来源，同时高海表温度又降低了东北大西洋的碳汇能力。
总体来看，在2023年，化石燃料的排放估计为102亿吨碳，而碳汇却难以跟上碳排放增长的步伐。受拉尼娜向厄尔尼诺转变导致的极端天气事件频发影响，虽然海洋吸收了26亿吨碳，但陆地的吸收量却急剧下降，仅为1.4亿吨碳，导致大气中二氧化碳浓度水平持续上升。若没有及早进行碳预算，那么人们将无法及时发现这些变化。设想一下，如果未来十年全球持续变暖，并像2023年那样对陆地碳汇产生负面影响，自然碳汇将可能失去一半目前吸收人类活动产生的二氧化碳的能力。
这表明，减少化石燃料排放以及保护自然碳汇是应对全球气候变暖的重要举措。气温每一度的上升都非常重要，因为温度的上升和碳汇的减弱将决定地球与人类的未来。保护气候、恢复碳平衡刻不容缓，全球社会都应该立即采取行动。
“碳预算时间的缩短意味着政府和决策者可以更快地掌握碳排放和碳汇的最新情况，从而更有效地制定和调整相关政策，确保人类社会的可持续发展。利用与微软亚洲研究院合作构建的近实时碳预算方法，相关机构能够迅速评估政策的实施效果，而不必等待一两年才能看到结果。这种及时反馈对于优化政策执行和提高政策响应的速度至关重要。”法国原子能署气候与环境科学实验室研究员 Philippe Ciais 表示。
跨领域合作是人工智能在专业领域发挥作用的关键
在当今科学研究的前沿领域，跨学科合作已成为推动创新和解决复杂问题的重要途径。基于人工智能的近实时碳预算方法，就是微软亚洲研究院、清华大学和法国原子能署气候与环境科学实验室共同合作的成果，其中结合了环境科学、地球系统科学、生态学、大气科学和人工智能等领域的专业知识与技术。
“在跨学科合作中，我们深刻体会到不同学科间知识互补的重要性。法国原子能署气候与环境科学实验室提供的宝贵数据，为我们的研究奠定了坚实基础，而人工智能的创新应用让实时监测碳汇与碳排放成为可能。环境科学、地球系统科学、生态学和大气科学的复杂性，需要人工智能领域的科研人员深入理解和融会贯通，而环境科学领域的专家也需要掌握人工智能技术的前沿发展及应用潜力。这种知识的融合与共同学习，为我们实现了人工智能技术在环境监测中的有效应用，也充分展现了跨学科合作在解决全球性问题中的核心价值。”微软亚洲研究院资深首席研究员边江说。
随着技术和数据的不断完善，微软亚洲研究院将整合海洋与陆地碳预算模型，进一步推进 ANGCB 计划。为此，研究员们也将持续提升模型的性能和效率，希望通过碳预算的提前预测，为全球气候变化的研究和相关政策的制定提供更及时准确的数据支持，助力推动全球环境治理与生态文明建设。
相关论文：
Low latency carbon budget analysis reveals a large decline of the land carbon sink in 2023